基于机器学习和模糊推断的激光粉床融合过程中的层级融缺陷缓解方法
1Shien-Ming Wu School of Intelligent Engineering, South China University of Technology, Guangzhou, China.
ISA transactions
|November 27, 2024
概括
本研究引入了基于图像的激光粉床融合 (LPBF) 控制,以减少融缺陷. 卷积神经网络 (CNN) 和模糊逻辑控制 (FIC) 系统可以提高零件质量和表面粗度.
科学领域:
- 增材制造 增材制造 增材制造
- 材料科学 材料科学 材料科学
- 人工智能在制造业中的应用
背景情况:
- 在激光粉床融合 (LPBF) 中,缺乏化 (LOF) 和过度化 (OM) 等化缺陷显著降低了零件质量和性能.
- 以前使用局部池数据的控制方法受到传感器和数据处理需求的限制,缺乏代表性.
研究的目的:
- 开发基于图像的LPBF控制策略,以减轻融缺陷和提高表面质量.
- 提高3D打印元件的机械性能和制造质量.
主要方法:
- 一个使用卷积神经网络 (CNN) 的质量识别模块,用于逐层评估融质量.
- 一个模糊的控制策略 (FIC) 与历史状态一致性检查机制 (HSCCM) 集成,以实现最佳的控制行动.
- 对拟议的控制策略进行实验验证.
主要成果:
- 在识别融质量方面,CNN达到高达98.2%的准确性.
- 与HSCCM集成的FIC有效减少了表面融缺陷.
- 观察到更好的表面粗度和组件的整体制造质量.
结论:
- 拟议的基于图像的控制方法为在线质量监测和改善LPBF流程提供了一种新且有效的方法.
- 这一策略成功地减轻了融缺陷,从而提高了零件质量和可靠性.


